Bienvenue sur le profil Malt de Christophe !

Malt vous permet d'accéder aux meilleurs consultants freelances pour vos projets. Contactez Christophe pour échanger sur votre besoin ou recherchez d'autres profils sur Malt.

Christophe Labrousse

data scientist senior

En télétravail depuis Toulouse

  • 43.6043
  • 1.4419
Proposer un projet La mission ne démarrera que si vous acceptez le devis de Christophe.
Proposer un projet La mission ne démarrera que si vous acceptez le devis de Christophe.

Compétences (12)

Christophe en quelques mots

Ingénieur en informatique et mathématiques appliquées, j’ai commencé ma carrière en étant tour à tour consultant, fondateur de startup, responsable de système d’information, et développeur freelance ; expériences grâce auxquelles j’ai acquis une forte culture « data ».

Depuis 7 ans en tant que consultant et formateur en data science j’ai développé et mis en place des solutions basées sur le machine learning avec Python, scikit-learn, et diverses plateformes cloud. Formateur passionné et pédagogue, j’aime également enseigner à des profils variés la puissance de ces techniques quand elles sont mises en œuvre sur les bons jeux de données.

Passionné, je cherche aujourd’hui un nouveau projet avec de nouvelles données à explorer et à exploiter, pour en retirer toute leur valeur ajoutée.

Expériences

TradeShifu

Banque & assurances

Data Scientist Senior

Toulouse, France

mars 2020 - août 2020

Développement de modèles prédictifs à destination de traders intraday : forecast du prix d’ouverture des plusieurs indices, du prix le plus haut, le plus bas, et de clôture. Les prédictions sont actuellement exploitées avec succès par plusieurs milliers de traders.

o Cadre du projet : Recherche et analyse des données, implémentation des pipelines de transformation, optimisation des modèles prédictifs, déploiement en production
o Technologies utilisées : Tensorflow v2, Keras ; scikit-learn, XGBoost ; statsmodel pour les modèles ARIMA, VAR, et GARCH
o Infrastructure utilisée : Microsoft Azure ML
o Ma contribution : J’ai développé toutes les phases du projet : analyse, implémentation, modélisation et mise en production

Airbus - AIRBUS GROUP

Aéronautique & aérospatiale

Data scientist senior

Toulouse, France

février 2019 - décembre 2019

Avec une équipe de 4 personnes et en tant que data scientist senior, j’ai réalisé un modèle prédictif destiné à anticiper les pannes sur le système de pressurisation cabine (bleed) et optimiser les opérations de maintenance, en se basant sur les séries temporelles des capteurs embarqués ainsi que sur l’historique des opérations de maintenance. En tant qu’expert en Machine Learning, j’ai piloté les compétences complémentaires de l’équipe (data scientist junior, ingénieur système, développeur) pour transformer les données brutes en provenance des avions en prédictions fiables sur les défaillances du système de pressurisation.

o Cadre du projet : Analyse des données, implémentation des pipelines de transformation des données, optimisation des modèles prédictifs, évaluation de leur qualité
o Technologies utilisées : Spark via l’api PySpark en Python ; scikit-learn, Keras pour les modèles LSTM, XGBoost, Hyperopt, stats-model pour les modèles ARIMA, FoundryTS (librairie propriétaire Palantir pour les time series)
o Infrastructure utilisée : plateforme Palantir (foundry) de Airbus (Skywise)
o Ma contribution : J’ai participé à toutes les phases du projet : analyse, implémentation, modélisation et ai guidé les actions de l’équipe en identifiant les pistes à explorer et en utilisant au mieux des compétences de chacun
Spark Apache Spark MLlib Scikit-learn python Pandas TensorFlow numpy LSTM XGBoost Hyperopt ARIMA keras

Groupe Atlantic

Energie

Data scientist senior

Toulouse, France

juillet 2018 - décembre 2018

A partir des données techniques des pompes à chaleur du Groupe Atlantic, des données d’intervention des opérations de maintenance et des données du call center, j’ai développé un modèle prédictif pour permettre à l’équipe de planification des maintenances annuelles de prioriser leurs interventions. Le modèle final était basé sur des réseaux de neurones récurrents (LSTM) permettant la prévision (forecast) de séries temporelles.

o Cadre du projet : Analyse des données, implémentation des pipelines de transformation des données, optimisation des modèles prédictifs, évaluation de leur qualité
o Technologies utilisées : Scikit-learn, Keras, XGBoost, Catboost, Hyperopt, BigML
o Infrastructure utilisée : serveurs CPU et GPU loués sur FloydHub ; Infrastructure BigML
o Ma contribution : j’ai implémenté la solution en intégralité ; j’ai aidé l’équipe métier à définir le modèle et son cadre d’utilisation ; et j’ai récupéré toutes les données potentiellement utiles auprès des différents services, qu’ils soient métier ou technique.
Scikit-learn Keras TensorFlow catboost Python Pandas XGBoost hyperopt

Human Coders

Conseil & audit

Formateur data science

Paris, France

octobre 2017 - Aujourd'hui

Recommandations externes

Consultez les recommandations qu'a reçues Christophe

Formations